Spark资源调度和任务调度

一.资源调度&任务调度

　　1.启动集群后，Worker节点会周期性的【心跳】向Master节点汇报资源情况，Master掌握集群资源情况。

　　2.当Spark提交一个Application后，根据RDD之间的依赖关系将Application构建成一个DAG有向无环图。

　　3.任务提交后，Spark会在Driver端创建两个对象：DAGScheduler和TaskScheduler。

　　4.DAGScheduler是任务调度的高层调度器，是一个对象。DAGScheduler的主要作用就是将DAG根据RDD之间的宽窄依赖关系划分为一个个Stage，然后将这些Stage以TaskSet的形式提交给TaskScheduler【TaskScheduler是任务调度的底层调度器，这里TaskSet其实就是一个集合，里面封装的就是一个个的task任务，也就是stage中并行的task任务】。

　　5.TaskScheduler会遍历TaskSet集合，拿到对应的task后会将task发送到计算节点Executor上去执行【就是发送到Executor上的线程池ThreadPool上执行】。

　　6.Task在Executor线程池中的运行情况会向TaskScheduler反馈，当task运行失败时，则由TaskScheduler负责重试，将task重新发送到Executor去执行，默认重试3次。如果重试3次依然失败，那么这个task所在的Stage就失败了。Stage失败则由DAGScheduler负责重试，重新发送TaskSet到TaskScheduler，Stage默认会重试4次。如果4次以后依然失败，那么这个job就失败了，对应的这个application也失败。

　　备注：TaskScheduler不仅负责重试task，还负责重试straggling【执行相比其它任务缓慢的task】task。TaskScheduler会重新启动一个新的task来运行这个缓慢的task执行的处理逻辑。两个task那个先执行完，就以那个task的执行结果为准。这就是spark的推测执行机制。在spark中推测执行默认是关闭的。推测执行可以通过配置spark.speculation属性来配置。

二.图解调度流程

　　

三.注意

　　1.对于ETL类型要入数据库的业务要关闭推测执行机制，这样就不会又重复的数据入库。

　　2.如果遇到数据倾斜的情况，开启推测执行则会有可能导致一直会有task重新启动处理相同的逻辑，任务可能一直处于处理不完的状态。